昨今のAIブームの火付け役とも言えるディープラーニングは強力な学習手法ですが、万能ではありません。問題の特性をよく理解して適切な機械学習手法を選択し、適切に用いることが重要です。
　本セミナーでは、機械学習の基本的な教師あり学習手法の考え方や理論的背景の説明とともに、Pythonを用いた簡単な実習を交えて機械学習の理解を深めます。これから本格的な勉強を始める前に概要と雰囲気を掴むには最適かと思います。

1. 機械学習の概要
   1. ビッグデータ時代
   2. 機械学習とは?
   3. 最近の例
   4. 機械学習の分類
   5. 教師あり学習
      1. 識別
      2. 回帰
   6. 教師なし学習
      1. モデル推定
      2. パターンマイニング
   7. 半教師あり学習
   8. 深層学習 (ディープラーニング)
   9. 強化学習
   10. 機械学習の基本的な手順
       1. 前処理
       2. 評価基準の設定:クロスバリエーション
       3. 簡単な識別器:k-近傍法
       4. 評価指標:F値,ROC曲線
   11. k-近傍法を用いた実習:機械学習の基本的な手順の確認
2. 識別 (1) :線形識別モデル
   1. 識別モデル
   2. ロジスティック識別概要
   3. ロジスティック識別の導出
   4. ロジスティック識別器の学習
   5. 確率的最急勾配法
   6. 正則化
   7. ロジスティック識別器を用いた実習
3. 識別 (2) :サポートベクトルマシン
   1. サポートベクトルマシンとは
   2. マージン最大化のための定式化
   3. マージン最大化とする識別面の計算
   4. ソフトマージン
   5. カーネル関数
   6. 簡単なカーネル関数の例
   7. 入れ子交差検証によるハイパーパラメータ調整
   8. サポートベクトルマシンを用いた実習
4. 識別 (3) :パーセプトロンから深層学習まで
   1. 単純パーセプトロン
   2. 誤り訂正学習
   3. 最小二乗法による学習
   4. 多層ニューラルネットワーク
   5. 逆誤差伝搬法による学習
   6. 深層学習とは
      1. 従来の識別学習との違い
      2. 深層学習の分類
      3. 最近の応用例
   7. 多階層ニューラルネットワークの学習における問題
   8. 自己符号化器 (Auto Encoder) による事前学習
   9. Drop Out法による過学習の抑制
   10. 自己符号化器を用いた深層学習による実習